一、數字醫療市場：直面機遇與挑戰?

Bridge Connector是一家為醫療保健提供精簡的集成解決方案的iPaaS組織，其首席技術官Joshua Douglas在這次大會上介紹了規模化的數字醫療技術的互通策略，他認為對于數字醫療這個新興市場來說，機遇與挑戰各有三點。挑戰主要體現在以下三點，

首先是臨床信息難以收集。患者數據的收集是數字醫療市場供應商提供服務的重要依據，但是目前的數據采集系統并沒有應用到客戶日常生活中，這導致了許多數據仍然未被信息收集系統收集。因此服務提供商不得不使用另一種系統來收集數據、跟蹤市場信息。但是與之矛盾的是，醫生已經有很多數據需要處理，他們不愿意接受增加一個新的需要輸入數據的新系統。?

其次是系統與數據難以集成。一些數字醫療市場供應商花費了大量精力在功能集成上，集成是一個復雜的過程，每個客戶的需求大大增加了工程團隊的工作量，并增加了發生問題的幾率。在集成開發和維護上花費更多的時間，意味著實際產品的解決方案或服務所花費的時間變少。但是為了擴大規模，數字醫療市場供應商又必須向著集成方向邁進。?

最后是成本難以控制。很多數字醫療市場的供應商對于一些具體要求的臨床解決方案，往往是傾向于直接購買而不是自己搭建，這樣的策略給成本控制帶來了挑戰。伴隨著挑戰而來的就是，大多數字醫療市場提供商難以有足夠的資金完成復雜的定制集成服務。?? ??

? ?

?與風險相對，數字醫療這個領域目前有不少新提出的解決方案和改進模型實現了更好的互通性，數字醫療市場也迎來了不可多得的機遇。?數字醫療市場用戶粘性增加。供應商可以利用數字醫療的特點，推出既能改善患者使用體驗又不增加額外的管理時間和工作量的產品來打開市場。例如，智能網絡健康站Higi改變了它的數據集成方法，使患者健康狀態下的數據能在前后兩次就診中互通互用，避免重復檢查，這既收集了患者信息又幫助醫生減少了工作量。一旦這種模式被市場接受，嵌入日常工作流程中，產品的用戶粘性就會變得很高，同時產品的市場占有率也會逐步增加。?數字醫療促進醫療產品的開發。數字醫療不光能給自身領域帶來發展，還將帶動醫療產品的發展，這是一種雙贏的方式。對于患者來說，在正確的時間向正確的人員提供正確的數據可以改善患者的護理體驗。對數字醫療提供商或者其他醫療產品制造商來說，他們可以通過大量的臨床數據看到患者治療狀況，能夠基于數據為患者設計更好的解決方案，提供更合適的醫療產品。?數據互通保證患者更好地治療。歸根結底，數字醫療技術的最終用戶是患者，醫療技術的發展應與改善患者體驗并肩同行。互通的數字醫療技術消除了不同系統間重復的數據輸入，而多出來的時間增加到了醫生和患者之間的交流中。研究表明，以醫患關系為中心的護理方式不僅可以改善患者體驗，而且還能提升醫生在工作中的幸福感。?二、確保患者隱私和數據實用性：使用數據而不控制數據?HIMSS會上有研究者提出了這樣一個問題：在當今機器學習和人工智能使用率不斷增長的現代醫療數據生態系統中，我們如何同時確保數據隱私和數據實用性？?現有的做法雖然滿足了識別數據的監管要求，但并沒有實質性地解決保護個人隱私和大規模使用數據之間的矛盾，目前現有技術中所使用的刪除或聚合等處理方法會使醫療數據集失去意義，還會對下游應用程序的完整性造成損害。在會議討論過程中，有研究者認為要同時實現數據隱私保護和保證數據實用性需要滿足以下要求：首先應使數據價值最大化，并通過數據得出觀點。其次是基于數學和密碼學的量化方法來切實可觀地減少共享數據的風險。最后，應該保證數據應歸數據所有者所有，所有的數據分析商僅可以使用數據而不能控制數據。?一種叫做差異隱私的數學標準是解決數據價值和數據隱私的有效方法，且可以與目前軟件體系相結合來確保數據控制。經過15年來深入的專家研究，同行評審，已經針對差異性隱私發布了統計和建模功能的詳細信息。例如蘋果和谷歌已經使用該技術來保護他們的用戶數據。但是想讓這項技術實現功能最大化，必須將其整合到各種軟件中，實現可以由業余人士使用，并廣泛應用于數據統計和分析工作，例如跨組織數據共享和內部數據共享。AI醫療的風口早已到來，但我們必須認清一點：我們有義務履行數據隱私權，不是冷冰冰地使用數據。AI醫療開發者必須積極尋找不僅可以滿足數據合規性、隱私性，還能增強學習能力并建立最優解的解決方案，從而推動醫療保健的發展。?

三、機器學習處理臨床數據：從記錄匯總到預測分析?HIMSS的首席技術創新官Steve Wreting認為，在衛生和醫療領域使用Al會帶來革命性的改變。

毫無疑問，患者和醫生都希望治療速度越快越好，對于早已采用電子記錄的醫療行業來說，智能化技術的使用是保證數據量和即時結果的基礎。但當前的市場需要的不僅僅是快速處理現有數據，智慧醫療的下一個熱點是通過已有信息來判斷未知——比如通過機器學習來預測數據。機器學習是人工智能（AI）的一部分，可以自動進行數據分析，這樣在處理數據時機器可以智能地預判斷可能出現的情況。目前機器學習正在以下幾個方面日益凸顯出優勢。

匯總并分析臨床數據。機器學習的優勢之一是它可以大范圍的分析數據，包括醫生的記錄，人口統計數據，藥品價格，甚至是藥品的購買記錄或藥房位置。然后可以將這些數據應用于預測和診斷，甚至可以用于疾病風險計算。

如今醫院中使用的大多數輸液泵依靠重力輸注藥物，這就要求臨床醫生在放置輸液袋時要將主袋懸掛得比副袋低。而基于盒式系統的智能輸液泵利用容積差泵送機制，將次級管線直接連接至暗盒，將次級輸注與初級輸注分開管理。輸液袋可放置在方便的地方，避免了二次輸注的風險。

? ?

這種智能輸液泵的亮點不光是不需要依靠重力進行輸液，而且還可以和患者的電子病歷進行相互關聯，將輸液信息及時更新到電子病歷，輸液開始和停止時間可以自動添加到護理人員的工作記錄中。自動化的記錄方式代替了手動記錄，從而增加了數據記錄的準確性和完整性，簡化了護士的工作流程，方便了醫生對患者情況進行實時檢查。??

總結